推动公司的发展
在2019年3月，一名枪手在新西兰的两座清真寺中用Facebook进行直播，残酷地杀害了50人。这个视频被不雅观看了大约4,000次，直到打击发生后29分钟才被关闭。然后，这段视频被上传到其他平台，被不雅观看了数百万次。
是的，这是AI如何在恐怖的情形下失落败的光鲜例子。
在一篇博客文章中，Facebook的产品管理副总裁盖·罗森（Guy Rosen）指出：
AI系统基于“演习数据”，这意味着您须要成千上万个关于内容的示例，以演习一个可以检测特定类型的文本、图像或视频的系统。这种方法在领域如袒露、胆怯分子宣扬和图像暴力等方面表现非常出色，由于这些领域有大量的示例可以用来演习我们的系统。然而，这个特定的视频没有触发我们的自动检测系统。要实现这一点，我们须要向我们的系统供应大量这种特定类型内容的数据，但由于这些事宜幸好很少发生，这是困难的。另一个寻衅是自动从外不雅观上类似但无害的内容中区分这些内容，例如，如果我们的系统标记了来自直播视频游戏的成千上万个视频，我们的审阅员可能会错过那些主要的现实天下视频，我们可以通过这些视频向急救职员发出乞助旗子暗记。
当然，这是一个关于技能不敷的主要教训，该公司表示承诺不断改进其系统。但Facebook的案例也突显出，纵然是最技能前辈的公司也面临着重大寻衅。这便是为什么在履行AI时，须要有坚实的操持，以及要理解一定会涌现问题。但对公司的高等管理职员来说，他们面临着要从这项技能中获取结果的压力。
在本章中，我们将看一些AI履行的最佳实践。
履行人工智能的方法
在公司中利用人工智能常日涉及两种方法：利用供应商供应的软件或创建内部模型。第一种方法是最常见的，对许多公司来说可能已经足够。具有讽刺意味的是，您可能已经在利用来自Salesforce.com、Microsoft、Google、Workday、Adobe或SAP等公司的软件，这些软件已经具备强大的人工智能功能。换句话说，一个很好的方法是确保充分利用这些功能。
要理解可用的功能，可以看看Salesforce.com的Einstein，它于2016年9月推出。这个人工智能系统已经无缝嵌入到紧张的CRM（客户关系管理）平台中，可以实现更具预测性和个性化的发卖、做事、营销和商务行动。Salesforce.com将Einstein称为“个人数据科学家”，由于它非常易于利用，例如通过拖放来创建事情流程。个中一些功能包括以下内容：
? 预测评分：显示潜在客户转化为机会的可能性。
? 情绪剖析：通过剖析社交媒体来理解人们如何看待您的品牌和产品。
? 智能推举：Einstein剖析数据，显示哪些产品最适宜潜在客户。
然而，只管这些预构建的功能使利用人工智能变得更加随意马虎，仍旧存在潜在问题。Zoho的客户体验传道者Ricky Thakrar说：“在过去几年里，我们一贯在我们的运用程序中构建人工智能功能，这是一次很好的学习履历。但要使技能发挥浸染，用户必须精确利用软件。如果发卖职员没有精确输入信息，那么结果可能会偏离预期。我们还创造，模型须要至少三个月的利用韶光才能进行演习。此外，纵然您的员工做得很精确，也不代表人工智能的预测会完美无缺。始终持疑惑态度。”
至于构建自己的人工智能模型，对付公司来说，这是一个重大承诺。这也是我们将在本章中谈论的内容。
但无论采纳何种方法，人工智能的履行和利用都该当从教诲和培训开始。无论员工是非技能职员还是软件工程师，都必须首先对这项技能有核心的理解，才能使人工智能在组织中取获胜利。是的，这本书会有所帮助，但还有许多在线资源可以供应帮助，例如来自Lynda、Udacity和Udemy等培训平台。它们供应了许多关于人工智能各个方面的高质量课程。
为了让您理解企业培训操持的样貌，可以考虑Adobe。只管公司有非常出色的工程师，但仍旧有很多人在人工智能领域没有背景。个中一些人可能在学校或事情中没有专门研究这个领域。然而，Adobe希望确保所有工程师都对人工智能的核心事理有踏实的理解。为此，该公司开展了为期六个月的认证项目，于2018年培训了5000名工程师。其目标是引发每位工程师内心的数据科学家。
该项目既包括在线课程，也包括面对面的培训，不仅涵盖技能领域，还包括计策和伦理等领域。Adobe还供应了高等打算机科学家的帮助，以帮忙学生节制这些主题。
接下来，在履行过程的早期，思考潜在的风险是至关主要的。大概最具威胁的一个成分是偏见，由于它很随意马虎渗透到人工智能模型中。
一个例子是亚马逊公司，该公司在2017年关闭了其由人工智能驱动的招聘软件。紧张问题在于该软件在招聘男性方面存在偏见。有趣的是，这是一个经典的模型演习问题。考虑到大多数简历是由男性提交的，因此数据涌现了偏斜。亚马逊乃至考试测验过调度模型，但结果仍旧远未达到性别中立。
在这种情形下，问题不仅仅在于基于缺点条件做出决策。亚马逊还可能使自己面临潜在的法律任务，如歧视性索赔。
鉴于人工智能存在的棘手问题，越来越多的公司正在建立伦理委员会。但纵然如此，这也可能充满问题。嘿，对付一个人来说可能是道德的，对付另一个人来说可能不是什么大不了的，对吧？当然。
例如，Google在其伦理委员会成立约一周后就终结了该委员会。彷佛紧张缘故原由是由于包括来自传统守旧智库"Heritage Foundation"的成员而引发的反弹。
人工智能履行的步骤
如果您操持履行自己的人工智能模型，应考虑哪些紧张步骤？有哪些最佳实践？首先，非常主要的是，您的数据必须相称干净，并且以一种有助于建模的办法进行构造化处理。
以下是一些要考虑的其他步骤：
? 确定要办理的问题。
? 组建一个强大的团队。
? 选择精确的工具和平台。
? 创建人工智能模型（如之前文章中所描述的）。
? 支配和监控AI系统。
让我们看看每一步。
确定要办理的问题
成立于1976年的HCL Technologies是环球最大的IT咨询公司之一，拥有来自44个国家的13.2万名员工，并有一半的《财富500强》企业作为客户。该公司还履行了大量的人工智能系统。
以下是HCL Technologies的首席技能官Kalyan Kumar的不雅观点：
业务领导者须要理解并认识到采取人工智能是一个过程，而不是一次性的冲刺。企业内部推动人工智能采取的职员必须对韶光表和人工智能的能力保持现实。人与人工智能之间的关系是相互增强的，任何人工智能履行可能须要一些韶光，才会开始产生积极而重大的影响。
这是非常有代价的建议。因此，特殊是对付刚刚开始人工智能之旅的公司，采取实验性方法非常主要。将其视为制订试点操持，也便是您正处于“爬行和行走阶段”。
但在进行人工智能履行过程时，常日会过于专注于不同的技能，这些技能确实令人着迷且强大。然而，成功远不仅仅是技能；换句话说，必须首先有明确的业务案例。因此，在刚开始时，有一些须要考虑的领域：
? 毫无疑问，公司中的决策常日是临时和靠预测的！
但通过人工智能，您有机会利用数据驱动的决策制订，这该当具有更高的准确性。然后，在您的组织中，哪些地方可以得到最大的效益？
? 正如我们在之前所先容的机器人流程自动化（RPA）一样，人工智能在处理重复和单调的任务时可以非常有效。
? 谈天机器人可以是另一种开始利用人工智能的办法。它们相对随意马虎设置，可以知足特定的用例，如客户做事。
安德鲁·吴（Andrew Ng）是Landing AI的首席实行官，曾任Google Brain主管，他提出了一些方法，供您在确定初期人工智能项目的关注重点时进行思考：
? 快速胜利：项目应在6到12个月内完成，并且必须有很高的成功概率，这有助于为更多的倡议供应动力。安德鲁建议有几个项目，由于这增加了获得胜利的几率。
? 故意义：一个项目不必具有变革性。但它该当能够以显著的办法帮助改进公司，为额外的人工智能投资创造更多的支持。代价常日来自降落本钱、增加收入、找到业务的新扩展或减微风险。
? 行业特定重点：这一点至关主要，由于一个成功的项目将是增加支持的另一个成分。因此，如果您的公司发卖订阅做事，那么开始减少流失落的人工智能系统将是一个不错的出发点。
? 数据：不要根据您拥有的数据量来限定选择。安德鲁指出，一个成功的人工智能项目可能只有100个数据点。但数据仍旧必须具有高质量且相对干净。
在考虑这个阶段时，值得评估员工和机器之间的“协作关系”。请记住，这常日被忽略，可能对人工智能项目产生不利影响。正如我们在本书中所看到的，人工智能在以极高的速率处理大量数据方面表现出色，险些没有缺点。该技能还善于预测和检测非常。但有些任务人类做得更好，比如创造性事情、抽象思维和理解观点。
请把稳以下来自Cobalt Robotics联合创始人兼首席技能官Erik Schluntz的例子：
我们的安全机器人在事情场所和校园环境中检测非常事宜方面表现出色，例如通过AI支持的热成像技能在阴郁办公室中创造职员。但我们的一名职员随后会参与，决定如何应对。纵然在所有人工智能的潜力中，当与不断变革的环境成分和人类的不可预测性相对立时，它仍旧不是最佳的关键任务选择。考虑不同情形下人工智能犯错的严重性，未能检测到恶意入侵者远比缺点地向我们的运营职员发出虚假警报更糟糕。
接下来，请确保您明确KPI并进行负责丈量。例如，如果您正在为客户做事开拓定制的谈天机器人，您可能会希望根据办理率和客户满意度等指标进行衡量。
末了，您须要进行IT评估。如果您的系统紧张是传统的遗留系统，纵然供应商供应API和集成，履行人工智能可能会更加困难和昂贵。这意味着您须要调度期望。
只管如此，这些投资确实可以对老牌公司产生重大影响。以Symrise为例，该公司的历史可以追溯到德国200多年前。截至目前，该公司是环球喷鼻香精和喷鼻香料生产商，拥有超过30,000种产品。
几年前，Symrise在IBM的帮助下启动了一项重大倡议，利用人工智能来创造新的喷鼻香水。该公司不仅须要重新调度其现有的IT根本举动步伐，还须要花费大量韶光来微调模型。但一个很大的帮助是它已经拥有大量的数据集，这使得更加精确成为可能。请把稳，纵然是化合物稠浊物中的轻微偏差也可能导致喷鼻香水失落败。
根据Symrise的Scent and Care总裁Achim Daub的说法：
现在，我们的调喷鼻香师可以在AI学徒的帮忙下事情，AI学徒可以剖析数千个配方和历史数据，以识别模式并预测新的组合，从而帮助他们更有生产力，通过辅导他们利用以前从未见过的配方，加速设计过程。
组建一个强大的团队
对付一个人工智能项目，最初的团队规模该当有多大？大概一个好的指南是利用杰夫·贝佐斯的“两块披萨规则”。换句话说，这是否足够来养活参与的职员？
哦，组建团队不应该匆忙。每个人都必须高度专注于成功，理解项目的主要性。如果从人工智能项目中险些没有什么可展示的，那么未来的操持可能会面临危急。
团队须要一位领导者，常日具有业务或运营背景，但也具备一些技能技能。这样的人该当能够确定人工智能项目的业务案例，同时将愿景传达给公司的多个利益干系者，如IT部门和高等管理层。
就技能职员而言，可能没有必要拥有人工智能博士学位。只管这些人非常聪明，但他们常日紧张关注领域内的创新，例如改进模型或创建新模型。这些技能常日对付人工智能试点项目来说并非必需。
相反，探求那些具有软件工程或数据科学背景的人。然而，正如本章前面提到的，这些人可能没有很强的人工智能背景。因此，可能须要让他们花几个月的韶光学习机器学习和深度学习的核心事理。还该当重点理解如何利用人工智能平台，如TensorFlow。
考虑到寻衅，寻求顾问的帮助可能是一个不错的主张，他们可以帮助确定人工智能机会，同时供应建议，包括数据准备和模型开拓。
由于人工智能试点项目将是实验性的，因此团队该当拥有乐意冒险和开放思维的人。如果没有，进展可能会非常困难。
选择精确的工具和平台
有许多用于创建人工智能模型的工具，个中大多数是开源的。只管测试它们是一种不错的方法，但仍建议首先进行IT评估。通过这样做，您将更好地评估人工智能工具。
还有一点：您可能会意识到您的公司已经在利用多个人工智能工具和平台！
这可能会引发整合和管理人工智能项目过程的问题。鉴于此，公司该当制订一种工具策略。将其视为您的人工智能工具堆栈。
好的，现在让我们来看一些用于人工智能的常见措辞、平台和工具。
Python措辞
Guido van Rossum，1982年毕业于阿姆斯特丹大学，得到数学和打算机科学硕士学位，随后在欧洲的各个研究机构事情，如国家研究倡议公司（CNRI）。但直到20世纪80年代末，他才创造了自己的打算机措辞，名为Python。实际上，这个名字来自于英国著名的笑剧系列《蒙提·派森的翱翔马戏团》。
因此，这种措辞有点另类，但这使它非常强大。Python很快成为了人工智能开拓的标准。
个中一部分缘故原由是它的大略性。只需几行代码脚本，就可以创建繁芜的模型，利用函数如filter、map和reduce。当然，这种措辞大概可更繁芜的编码。
Van Rossum开拓Python时明确了自己的哲学原则：
美胜于丑。
明了胜于蕴藉。
大略胜于繁芜。
繁芜胜于混乱。
扁平胜于嵌套。
疏而不密胜于紧密。
以下是个中的一些原则。
此外，Python还有一个上风，它在学术界得到了广泛发展，学术界有互联网的资源，有助于加速分发。但这也使环球范围内的生态系统得以形成，拥有数千种不同的人工智能包和库。以下只是个中一些：
? NumPy：这使科学打算运用成为可能。它的核心功能是高性能创建繁芜的工具数组，对付AI模型的高端数据处理至关主要。
? Matplotlib：它许可绘制数据集。常日 Matplotlib 与 NumPy/Pandas（Pandas 是指“Python 数据剖析库”）结合利用。该库使得为开拓AI模型创建数据构造相对随意马虎。
? SimpleAI：这是《人工智能：一种当代方法》一书中的AI算法的实现，该书由斯图尔特·拉塞尔和彼得·诺维格合著。该库不仅功能丰富，还供应了有用的资源来辅导全体过程。
? PyBrain：这是一个模块化的机器学习库，使您可以轻松创建繁芜的模型，包括神经网络和强化学习系统，而无需大量编码。
? Scikit-Learn：该库于2007年发布，具有深厚的功能，可以进行数据的回归、聚类和分类。
Python还有一个好处是有许多学习资源。在YouTube上快速搜索将显示数千个免费课程。
现在还有其他可以用于AI的坚实措辞，如C++、C#和Java。虽然它们常日比Python更强大，但它们也更繁芜。此外，在构建模型时，常日险些不须要创建完全的运用程序。末了，还有专为高速AI打算机（带有GPU）构建的Python库，比如CUDA Python。
AI框架
有浩瀚的AI框架，它们供应端到真个系统来构建模型、演习它们并支配它们。迄今为止，最盛行的是由Google支持的TensorFlow。该公司于2011年开始通过其Google Brain部门开拓这个框架。目标是找到一种更快地创建神经网络的方法，以便在许多Google运用程序中嵌入这项技能。
到2015年，Google决定开源TensorFlow，紧张是由于公司希望加速AI的进展。毫无疑问，这正是发生的事情。通过开源TensorFlow，Google使其技能成为了开拓的行业标准。该软件已被下载超过4100万次，有1800多名贡献者。事实上，TensorFlow Lite（用于嵌入式系统）正在超过20亿部移动设备上运行。
该平台的遍及性导致了弘大的生态系统。这意味着有许多附加组件，如TensorFlow Federated（用于分散的数据）、TensorFlow Privacy、TensorFlow Probability、TensorFlow Agents（用于强化学习）和Mesh TensorFlow（用于大规模数据集）。
要利用TensorFlow，您可以选择各种措辞来创建模型，如Swift、JavaScript和R。只管大多数情形下，最常见的是Python。
在基本构造方面，TensorFlow将输入数据作为多维数组，也称为张量。有一个流程，由图表表示，数据通过系统流动。
当您输入命令到TensorFlow时，它们将利用繁芜的C++内核进行处理。这可以实现更高的性能，这对付一些弘大的模型是至关主要的。
TensorFlow险些可以用于AI的任何领域。以下是它支持的一些模型：
? 美国劳伦斯伯克利国家实验室的NERSC（National Energy Research Scientific Computing Center）研究职员创建了一个深度学习系统，以更好地预测极度景象。这是第一个打破了百亿亿次打算壁垒的模型。由于这一造诣，研究职员得到了戈登·贝尔奖。
? Airbnb利用TensorFlow构建了一个模型，对数百万个房源照片进行分类，从而提高了客户体验并增加了转化率。
? 谷歌利用TensorFlow剖析了来自NASA开普勒太空望远镜的数据。结果如何？通过演习神经网络，该模型创造了两颗系生手星。谷歌还向公众供应了代码。
谷歌一贯在开拓TensorFlow 2.0，个中一个关键重点是使API过程更加大略。还有一个叫做Datasets的东西，有助于简化为AI模型准备数据的过程。
那么还有哪些其他的AI框架呢？让我们来看一下：
PyTorch：由Facebook开拓，于2016年发布。与TensorFlow一样，用于编程的紧张措辞是Python。虽然PyTorch仍处于早期阶段，但已被认为是在利用方面排名第二的TensorFlow。那么这个平台有什么不同之处呢？PyTorch具有更直不雅观的界面。该平台还许可对图进行动态打算。这意味着您可以在运行时轻松变动模型，有助于加快开拓速率。PyTorch还支持不同类型的后端CPU和GPU。
Keras：只管TensorFlow和PyTorch适用于有履历的AI专家，但Keras适用于初学者。只需少量Python代码，您就可以创建神经网络。文档中指出：“Keras是为人类设计的API，而不是为机器设计的。它将用户体验放在首位。Keras遵照减少认知负荷的最佳实践：它供应同等和大略的API，最小化了常见用例所需的用户操作数量，并在用户涌现缺点时供应清晰和可操作的反馈。”还有一个只需30秒的“入门指南”！
然而，大略并不虞味着它不强大。事实是您可以利用Keras创建繁芜的模型。例如，TensorFlow已将Keras集成到其自己的平台中。纵然对付那些在AI方面是专家的人，该系统也可用于对模型进行初始实验。
随着AI的发展，还有一个常见的工具：Jupyter Notebook。它不是一个平台或开拓工具。相反，Jupyter Notebook是一个Web运用程序，可以轻松利用Python和R进行编码，以创建可视化效果并导入AI系统。您还可以轻松地与其他人分享您的事情，类似于GitHub的做法。
在过去的几年中，还涌现了一种新的AI工具种别，称为自动化机器学习或autoML。这些系统有助于处理数据准备和特色选择等过程。在大多数情形下，其目标是为那些没有履历的数据科学家和AI工程师的组织供应帮助。这统统都与“公民数据科学家”这一快速增长的趋势有关，即那些没有坚实技能背景的人仍旧可以创建有用的模型。
自动机器学习（autoML）领域的一些参与者包括H2O.ai、DataRobot和SaaS。这些系统直不雅观且利用拖放式操作轻松开拓模型。绝不奇怪，像Facebook和Google这样的大型科技公司也为其团队创建了autoML系统。以Facebook为例，它拥有Asimo，用于管理每月30万个模型的培训和测试。
关于autoML的一个用例，请看看遐想巴西。该公司在创建机器学习模型以帮助预测和管理供应链方面碰着了困难。公司有两名每周编写1500行R代码的员工，但这还不足。事实上，雇佣更多的数据科学家将不划算。
因此，该公司履行了DataRobot。通过自动化各种流程，遐想巴西能够创建具有更多变量的模型，从而得到更好的结果。在短短几个月内，DataRobot的用户数量从两个增加到了十个。
表8-1显示了一些其他结果。
不错，对吧？绝对是的。但仍旧有一些把稳事变。对付遐想巴西来说，公司有闇练的数据科学家，他们理解创建模型的奇妙之处。
然而，如果在没有这种专业知识的情形下利用autoML工具，你很随意马虎碰着严重问题。有很大的可能性你可能会创建具有缺点假设或数据的模型。实际上，结果终极可能会比不该用AI更糟糕！
正因如此，DataRobot实际上哀求新客户在第一年与公司互助时拥有专门的现场工程师和数据科学家。
现在还有低代码平台已被证明对加速AI项目的开拓非常有用。在这一领域的领先者之一是Appian，该公司供应了"从想法到运用仅需八周"的大胆担保。
借助这个平台，你可以轻松建立清晰的数据构造。乃至还有系统来辅导全体流程，比如提醒问题。毫无疑问，这为构建模型供应了坚实的根本。但低代码还以其他办法供应帮助。例如，你可以测试各种AI平台，比如来自Google、Amazon或Microsoft的平台，以查看哪个性能更好。然后，你可以创建一个当代界面的运用程序，并将其支配到Web或移动运用程序中。
要理解低代码的强大之处，可以看看KPMG是如何利用这项技能的。该公司能够帮助其客户摆脱在贷款中利用LIBOR的困境。首先，KPMG利用自己的AI平台Ignite，将非构造化数据导入并利用机器学习和自然措辞处理来整改条约。接下来，该公司利用Appian来帮忙文档共享、可定制的业务规则和实时报告。
这种过程如果手动完成很随意马虎须要数千小时，缺点率为10%到15%。但利用Ignite/Appian时，准确性超过96%。哦，处理文件的韶光只须要几秒钟。
支配和监控AI系统
纵然你构建了一个有效的AI模型，仍旧有更多事情要做。你须要找到方法来支配和监控它。
这须要变革管理，这始终是繁芜和困难的。AI不同于范例的IT履行，由于它涉及利用预测和洞察力来做决策。这意味着人们须要重新思考他们与技能的互动办法。
还要考虑到终极用户很可能是非技能职员，无论是员工还是消费者。因此，有必要在只管即便简化AI模型方面进行大量事情。例如，如果你已经构建了一个在线营销系统，你可能希望限定用户的选项，比如只有四五个。
为什么呢？如果选项太多，用户可能会感到沮丧，乃至不知道从哪里开始。这都属于所谓的“剖析麻痹”问题。当发生这种情形时，AI模型的采取将不可避免地很少，这将严重阻碍进展。
另一个不错的策略是利用交互式可视化。换句话说，你可以通过调度一些变量来轻松看到趋势如何变革。你还可以许可点击图表的某个部分以深入理解更多细节。
还要创建文档是至关主要的，但这不应该仅仅是书面材料。例如，一个有效的方法是开拓视频教程。这样的努力将对创造强大的采取率产生很大帮助。
作为最佳实践，初始支配该当是有限的。也容许以将其限定在一小组测试用户和一小部分客户群体。还该当警告AI模型还处于早期阶段，可能存在毛病。
因此，这个阶段是关于学习的。什么有效？什么该当被移除？哪里可以进行改进？
这绝对是一个不应被匆忙对待的迭代过程。
然后，一旦AI模型准备好进行全面支配，必须供应足够的支持，并有人来卖力项目的管理。还必须对团队的胜利给予认可。希望赞誉会来自公司的最高层，这将有助于鼓励越来越多的创新。
有各种自动化平台可以帮助简化事情流程，比如Alteryx。该公司的愿景是使数据科学和剖析民主化，无论一个人是否具有技能背景。Alteryx系统处理了流程的关键领域：数据创造、数据准备、剖析和支配。所有这些都是通过无需编码的拖放工具完成的。此外，该公司的许多客户都是非技能运营商，如凯悦、联合利华和Kroger。
再次强调，AI的发展确实是一场旅程，你的计策将不可避免地发生变革。这是不可避免的。根据Dataiku公司发卖工程副总裁Kurt Muehmel的说法：
有时企业未能意识到的是，AI之路是一种长期演进，不仅涉及技能，还涉及公司协作和协同事情办法的改变。因此，除了教诲，AI计策的一个关键组成部分该当是全面的变革管理。主要的是创建短期和长期的路线图，首先大概是用于预测剖析，然后可能是机器学习，终极——作为更长期的目标——是AI，以及每个路线图对业务的各个部分以及参与这些业务线和他们日常事情的人的影响。
结论
正如本章所示，在履行人工智能时，关键是要考虑两个路径。第一条路径是充分利用利用该技能的任何第三方系统。但也该当关注数据质量。否则，结果可能会偏离预期。
第二条路径是基于公司自有数据进行人工智能项目。为了取获胜利，必须组建一个具有技能、业务和领域专业知识的强大团队。纵然是那些具有数据科学和工程背景的人，也很可能须要接管一些人工智能培训。
从这里开始，项目的步骤不应该急于进行：评估IT环境，设定明确的业务目标，清理数据，选择得当的工具和平台，创建人工智能模型，以及支配系统。在早期项目中，难免会碰着寻衅，因此灵巧性至关主要。但这个努力该当是值得的。
紧张要点
? 纵然最好的公司在履行人工智能方面也会碰着困难。因此，必须非常谨慎、负责并进行操持。主要的是要认识到失落败是常见的。
? 在公司中利用人工智能有两种紧张方法：通过供应商的软件运用程序或公司内部模型。后者要困难得多，并且须要组织的重大承诺。
? 纵然利用现成的人工智能运用程序，仍旧有很多事情要做。例如，如果员工没有精确输入数据，那么结果可能会偏离预期。
? 在人工智能履行中，教诲至关主要，纵然对付有履历的工程师也是如此。有许多在线培训资源可用于帮助办理这个问题。
? 要当心人工智能履行的风险，如偏见、安全和隐私。
? 人工智能履行过程的一些关键部分包括以下内容：确定要办理的问题；组建强大的团队；选择得当的工具和平台；创建人工智能模型；以及支配和监控人工智能模型。
? 在开拓模型时，要考虑技能与人的关系。事实上，人在某些任务上可能更善于。
? 组建团队并不随意马虎，以是不要急于进行。要有一个具有良好业务或运营背景和一定技能技能的领导者。
? 可以考试测验各种人工智能工具，但在这之前，请确保进行IT评估。
? 一些盛行的人工智能工具包括TensorFlow、PyTorch、Python、Keras和Jupyter Notebook。
? 自动化机器学习或autoML工具有助于处理人工智能模型的数据准备和特色选择等流程。重点是那些没有技能技能的人。
? 人工智能模型的支配不仅仅是扩展。还要确保系统易于利用，以促进更多的采取。